虛擬社區激勵措施對用戶知識貢獻傾向的影響機理研究

張紅超 王 茜 容 哲

(1.重慶郵電大學經濟管理學院;2.中山大學管理學院;3.廣州大學管理學院)

1 研究背景

虛擬社區用戶知識貢獻是社區可持續發展的源泉。社區平臺普遍采取激勵措施激發用戶知識貢獻積極性[1],但效果并不理想[2]。如何制定有效的激勵措施鼓勵用戶積極貢獻知識,實現虛擬社區可持續發展目標,已成為虛擬社區亟待解決的問題。

學術界已取得物質激勵[3～6]、精神激勵[7～12]以及二者聯合激勵措施[13]對用戶知識貢獻行為的影響成果。理性行為理論認為,用戶行為意愿越強,實際發生行為的可能性越高。用戶知識貢獻傾向代表用戶貢獻知識的意愿程度。激勵措施引起用戶知識貢獻傾向的變化,最終誘發貢獻知識的行為發生[14]。只有厘清“激勵—動態知識貢獻傾向—知識貢獻行為發生”這一完整鏈條,才能探究激勵對知識貢獻行為更深層次機理。目前,有關物質激勵[3～6]、精神激勵[7～12]對知識貢獻傾向影響研究的結論存在明顯分歧。用戶知識貢獻傾向會隨用戶的社區參與、社會曝光等社區環境,以及激勵措施的變化而動態變化[15],但以往相關研究多假設用戶知識貢獻傾向是靜態的,靜態的激勵措施無法與動態的用戶知識貢獻傾向相匹配,激勵效果不理想。

針對于此,本研究依據刺激—有機體—反應(SOR)理論,認為虛擬社區激勵通過誘發用戶知識貢獻傾向的變化影響用戶知識貢獻行為。以旅游虛擬社區為背景,主要回答以下問題:①社區用戶知識貢獻具有哪些客觀的隱含傾向?②在同一知識貢獻傾向下,用戶的社區特征(如首次回答問題時間、累計貢獻數量等)對知識貢獻行為的影響如何?③如何根據用戶動態變化的知識貢獻傾向,實施匹配的激勵措施?

本研究基于馬蜂窩旅游虛擬社區數據,采用隱馬爾科夫模型客觀地刻畫用戶動態的隱含知識貢獻傾向,探究物質激勵、精神激勵和二者聯合激勵與用戶動態知識貢獻傾向的匹配,以及對貢獻行為的影響。本研究的創新點主要體現在以下方面:①基于隱馬爾科夫模型測度用戶的知識貢獻傾向,為量化用戶隱含的知識貢獻傾向提供了新思路;②本研究在檢驗激勵對用戶知識貢獻傾向的影響作用時證明,激勵需要同用戶知識貢獻傾向相匹配才能產生正向作用,解決了現有關于激勵對用戶知識貢獻傾向的影響結論不一致的問題;③本研究探討特定知識貢獻傾向下,首次回答問題時間、旅游經驗、累計知識貢獻數量與知識貢獻行為之間的關系,在一定程度上拓展了用戶社區特征與知識貢獻行為關系的研究。本研究擬挖掘用戶客觀的隱含知識貢獻傾向,明確不同激勵措施有效性的適用邊界,以期為虛擬社區運營者動態地實施匹配的激勵措施,激發用戶知識貢獻積極性,維持社區的可持續發展提供理論依據和實踐啟示。

2 文獻綜述和理論基礎

2.1 激勵與知識貢獻的相關研究

知識貢獻行為是指知識擁有者提供和創造知識的過程和行為。為了激發用戶積極貢獻知識,社區運營者實施激勵措施來刺激用戶貢獻知識[16]。相關研究表明,激勵通過刺激用戶知識貢獻傾向的變化,進而誘發貢獻知識的行為發生[14]。用戶知識貢獻傾向越強,產生知識貢獻行為的可能性越大[17]。學者們分別探討了內在激勵和外在激勵對用戶知識貢獻傾向的影響[1,8,9]。其中,外在激勵又細分為物質激勵、精神激勵,以及物質激勵和精神激勵二者聯合激勵。

在物質激勵對用戶知識貢獻傾向的影響研究中,有學者認為用戶貢獻知識是為了得到獎勵,社區的物質激勵會提高用戶知識貢獻傾向[1,4,18]。但SEBA等[5]認為,用戶貢獻知識是為了享受貢獻樂趣,物質激勵對用戶知識貢獻傾向沒有影響。然而,BOCK等[6]研究發現,物質激勵侵蝕用戶內在動機,對知識貢獻傾向產生負向影響。物質激勵對用戶知識貢獻傾向是正向還是負向影響?GARNEFELD等[19]的研究提供了一種可能解釋,他們從用戶細分角度,認為物質激勵對活躍用戶知識貢獻傾向產生負向影響,而對不活躍用戶知識貢獻傾向沒有影響。關于精神激勵對用戶知識貢獻傾向影響的研究,同樣未得到一致的結論。部分學者研究證實,精神激勵對用戶知識貢獻傾向產生正向影響[11]。而CHEN等[12]研究卻認為,用戶知識貢獻傾向處于較高水平時,精神激勵對用戶知識貢獻傾向沒有影響。在聯合激勵對用戶知識貢獻傾向影響的研究中,趙琴琴等[1]發現在無精神激勵時,高水平物質激勵對用戶知識貢獻傾向的影響,大于低水平物質激勵對用戶知識貢獻傾向的影響。

外在激勵對知識貢獻傾向的影響研究已取得豐富的成果,但仍存在以下局限:①用戶知識貢獻傾向是動態的[15],但現有研究多假設用戶知識貢獻傾向是靜態不變的,從而無法根據用戶動態變化的知識貢獻傾向實施匹配的激勵措施。②用戶知識貢獻傾向是隱含的,無法直接觀測[12]。既有研究多采用問卷調查方法獲取用戶主觀的知識貢獻傾向,難免會受到調研對象主觀認知的影響而產生測量誤差。③用戶知識貢獻行為受到其社區特征的影響,但現有研究缺乏關于同一知識貢獻傾向下用戶社區特征對知識貢獻行為影響的探討,從而難以針對不同社區特征的用戶實施有效激勵措施,促使其積極貢獻知識。

2.2 理論基礎

SOR理論認為,外在刺激通過個體情感或認知影響其行為。該理論不僅能反映個體行為,還能揭示個體行為產生的內在原因,已被廣泛應用在消費者購物行為、客戶關系管理等研究中?；谠摾碚?本研究構建物質激勵、精神激勵以及聯合激勵對用戶知識貢獻傾向和知識貢獻行為影響的機理模型。

3 模型構建與變量測量

3.1 模型構建

隱馬爾科夫模型由BAUM等[20]提出。該模型不僅能夠通過個體可觀測行為來挖掘行為背后對應的隱含狀態,而且能刻畫隱含狀態以及對應行為的動態變化過程,有利于企業根據個體所處隱含狀態采取措施,以改變個體隱含狀態,激發其產生對應行為。本研究利用該模型,基于可觀測的激勵措施和用戶知識貢獻行為,來挖掘行為背后對應的隱含知識貢獻傾向,研究虛擬社區如何根據用戶隱含的知識貢獻傾向采取外部激勵措施,提高用戶知識貢獻傾向,最終激發用戶產生知識貢獻行為。構建模型見圖1。圖1中,外部刺激(S)為用戶在t時期受到的物質激勵、精神激勵和聯合激勵;有機體的中介狀態(O)為用戶在t時期知識貢獻傾向;行為反應(R)為用戶在t時期知識貢獻傾向受到外部刺激發生轉移后產生的知識貢獻行為。

依據隱馬爾科夫模型,設置Oit作為用戶i在t時期的隱含知識貢獻傾向集,假設用戶隱含知識貢獻傾向有N類,N的取值由似然函數值、赤池信息量準則(Akaike information criterion,AIC)、 貝葉斯信息準則 (Bayesian information criterions,BIC)確定。用戶i在t時期受到激勵Sit后,隱含知識貢獻傾向發生轉移,知識貢獻傾向轉移矩陣定義為Qit,則

(1)

式中,O為用戶當期的隱含知識貢獻傾向;O′為用戶上一期的隱含知識貢獻傾向;O、O′∈{1,2,…,N}。參照PARK等[21]的研究,用多項Logit模型表示用戶i在t時期受到激勵后,隱含知識貢獻傾向由O′轉移到O的函數表達式為

(2)

式中,uiO′O為用戶i知識貢獻傾向轉移的常數項;Sit表示影響知識貢獻傾向的激勵措施,這里特指物質激勵(mit)、精神激勵(sit)和二者聯合激勵(jit);δO′O為激勵措施系數值;conit表示影響用戶知識貢獻傾向的控制變量,包括用戶粉絲變化量(fit)、撰寫游記被閱讀量(rit)和回復量(pit);αO′O為各控制變量系數值集合?？紤]到每個用戶知識貢獻傾向轉移存在異質性,對uiO′O做進一步的分解,有

uiO′O=φO′O+ηiO′O,

(3)

式中,φO′O表示所有用戶知識貢獻傾向從O′轉移至O的平均傾向;ηiO′O表示用戶i知識貢獻傾向從O′轉移至O的個體異質性傾向,即

φ=[φ11,φ12,…,φ1(O-1),…,φO(O-1)]′;

(4)

ηi=[ηi11,ηi12,…,ηi1(O-1),…,ηiO(O-1)]′ 。

(5)

用戶知識貢獻數量Cit擁有大量零值,考慮到零膨脹問題,參照MULLAHY[22]提出的柵欄模型,構建用戶知識貢獻數量為Cit時的函數表達式為

(6)

式中,Pit|O=P(Cit|Oit=O)表示用戶i在t時期知識貢獻傾向為O時,知識貢獻數量為Cit的概率值;πitO滿足logit(πitO)=δO+δi+xitφO;λitO滿足ln(λitO)=γO+xitβO;xit表示特定知識貢獻傾向下影響用戶知識貢獻行為的用戶社區特征變量,具體包括用戶首次回答問題時間(ait)、歷史貢獻數量(hit)、旅游經驗(eit)。根據隱馬爾科夫模型,將觀察到的用戶i在Ti時期內知識貢獻行為(Ci1,Ci2,…,CiT)的聯合概率記為Li,則

(7)

3.2 數據與樣本

本研究數據來源于旅游虛擬社區馬蜂窩(https://www.mafengwo.cn/)。馬蜂窩是我國知名用戶分享和獲取旅游知識服務平臺,截至2020年10月16日已經積累1 600萬條用戶點評,覆蓋全球6萬多個旅游目的地。為了激發用戶貢獻知識,馬蜂窩推出了一系列激勵措施,如虛擬貨幣(物質激勵)、等級制度(精神激勵)等。其中,虛擬貨幣指社區給予完成撰寫游記、回答問題等貢獻知識用戶的“蜂蜜”獎勵,可直接兌換實物商品或兌換實物商品時抵扣現金;等級制度指社區給予完成撰寫游記、回答問題等貢獻知識用戶的“特權”獎勵,在馬蜂窩舉辦的社區活動中,等級越高的用戶可獲得更多的參與機會和福利。馬蜂窩的激勵措施和用戶知識貢獻行為數據為本研究提供了良好的基礎條件。

本研究隨機選取馬蜂窩社區10 000名用戶,自2020年7月19日～10月16日持續3個月的貢獻行為數據,包括每天實時抓取用戶獲取蜂蜜數量、等級大小、撰寫游記數量、回答問題數量、首次回答問題時間、累計知識貢獻數量、足跡等獲取激勵和貢獻行為數據。為了探究用戶貢獻行為背后的貢獻傾向,本研究選擇在觀測期內至少有一次知識貢獻行為的用戶作為研究對象,最終得到421名用戶構成有效樣本集。該樣本集不僅能夠滿足隱馬爾科夫模型對數據周期長度以及樣本量的要求,而且能夠滿足本研究的研究目標。

3.3 變量與測量

本研究以周為單位對模型中變量進行測量,變量的具體定義和測量方式如下。

(1)測量激勵措施的變量有物質激勵(mit)、精神激勵(sit)和聯合激勵(jit)。參考以往研究中激勵測量指標[1],本研究選取馬蜂窩提供的虛擬貨幣“蜂蜜”表示物質激勵措施,用上一期用戶知識貢獻獲得的“蜂蜜”數量衡量;選取馬蜂窩旅游虛擬社區設置的用戶等級制度表示精神激勵措施,用上一期用戶知識貢獻獲得的等級變化量衡量;將上一期物質激勵與精神激勵兩個變量相乘得到的交乘項來表示聯合激勵。

(2)測量用戶知識貢獻行為的變量為用戶知識貢獻數量(Cit)。知識貢獻行為是指知識擁有者提供和創造知識的過程和行為,包括發表自己的想法、回答其他用戶問題等。旅游虛擬社區中用戶主要通過撰寫游記、回答問題貢獻知識[1],因此本研究選擇用戶本期撰寫游記和回答問題的總量作為用戶知識貢獻數量。

(3)測量用戶社區特征的變量有用戶首次回答問題時間(ait)、歷史貢獻數量(hit)、旅游經驗(eit)。用戶知識貢獻行為不僅受到用戶知識貢獻傾向的影響,也會受到用戶在社區的時間因素、歷史貢獻行為等用戶社區特征的影響[23]。本研究同樣考慮用戶在社區的時間因素對其知識貢獻行為的影響。由于馬蜂窩社區未公開用戶注冊時間,本研究選取用戶首次回答問題的時間作為用戶社區時間因素變量,并計算用戶每一期與首次回答問題時間差值來衡量用戶社區時間變量。此外,CHEN等[12]和PAI等[24]研究發現,用戶歷史貢獻行為會影響其未來的知識貢獻行為。因此,選擇用戶截至上一期撰寫游記數量、回答問題數量的累計量衡量用戶歷史貢獻數量。相關研究表明,用戶經驗是影響其知識貢獻行為的因素之一[25],用戶經驗越豐富,其知識貢獻數量越多。本研究認為,旅游經驗豐富的用戶可能會撰寫更多的游記,也會更積極地回答其他用戶的問題,即旅游經驗越豐富越容易產生知識貢獻行為,故選擇截至上一期用戶到訪旅游景點的數量來衡量用戶旅游經驗。

(4)測量的控制變量有用戶粉絲變化量(fit)、撰寫游記被閱讀量(rit)和回復量(pit)。相關研究提出,虛擬社區環境對用戶知識貢獻傾向產生影響[15,26],虛擬社區環境是用戶賴以生存以及虛擬社區得以正常運轉的客觀條件的總和,其中用戶粉絲數量、社會曝光等屬于虛擬社區環境的重要指標[27]。用戶粉絲數量和社會曝光是影響其知識貢獻傾向的因素[26],故本研究選取二者作為控制變量。社會曝光是指用戶貢獻的知識在社區中被其他用戶瀏覽的次數。本研究以用戶所撰寫游記被閱讀數量和被回復數量來衡量社會曝光。相關變量的定義及描述性統計詳見表1。

表1 變量定義及描述性統計(N=421)

續表1

4 模型結果

4.1 挖掘用戶的隱含知識貢獻傾向

為減少抽樣點間的共線性問題,本研究采用等距抽樣方法,利用混合Gibbs 抽樣和M-H 抽樣算法估計模型中參數。為了達到較好的參數收斂結果,實驗中共進行100 000 次迭代,在刪除前90 000次迭代結果消除先驗假設的影響后,選擇后10 000次較穩定的數據估計參數后驗均值。

進一步挖掘用戶隱含知識貢獻傾向的數量。用戶隱含知識貢獻傾向可能有2、3、4種類型,通過模型的似然函數值、AIC和BIC值判斷用戶隱含知識貢獻傾向數量是多少時模型擬合度最好[28],依此確定用戶隱含知識貢獻傾向類型的數量。用戶隱含知識貢獻傾向類型為2、3和4種時,模型的似然函數值、AIC和BIC值見表2。由表2可知,隱含知識貢獻傾向為3種類型時,模型擬合效果最好。因此,確定用戶隱含知識貢獻傾向為3種。當用戶處于高知識貢獻傾向時最容易產生知識貢獻行為,而當用戶處于低知識貢獻傾向時最不易產生知識貢獻行為。為了便于闡述,本研究依據不同傾向下用戶知識貢獻數量多少,將用戶知識貢獻傾向依次定義為積極傾向(知識貢獻數量最多)、參與傾向(知識貢獻數量次之)、沉默傾向(知識貢獻數量最少)3種。

表2 客觀的隱含知識貢獻傾向類型劃分(N=421)

4.2 識別用戶的隱含知識貢獻傾向

借鑒NETZER等[28]提出的識別用戶隱含狀態的方法,挖掘每位用戶在任何時期知識貢獻傾向所處的隱含狀態,隨機選取4名用戶在每一時期的隱含知識貢獻傾向情形見圖2。

圖2 用戶隱含知識貢獻傾向動態變化

由圖2可知,不同時期用戶隱含知識貢獻傾向是隨社區環境以及激勵變化而動態變化,而且用戶的知識貢獻傾向可在不同的傾向間轉移。此外,在取樣期間不同用戶的知識貢獻傾向轉移具有不同的模式,如用戶樣例1僅在沉默傾向和參與傾向間轉移,從未轉移到積極傾向;而用戶樣例2在沉默傾向、參與傾向和積極傾向間轉移。

不同周期不同知識貢獻傾向轉移用戶數量見表3。由表3可知,大部分用戶處于沉默傾向或參與傾向,僅有少部分用戶處于積極傾向。這也符合虛擬社區用戶知識貢獻傾向不高的現實狀況。此外,當用戶處于沉默傾向時,其更可能維持在沉默傾向;當用戶處于參與傾向時,其更可能維持在參與傾向;而當用戶處于積極傾向時,其更可能轉向積極傾向或沉默傾向。

表3 不同周期不同知識貢獻傾向轉移用戶數量(N=421)

4.3 同一傾向下用戶特征對其知識貢獻行為的影響

為了衡量特定知識貢獻傾向下用戶社區特征對用戶知識貢獻行為的影響,本研究選擇最后10 000次迭代結果,計算用戶社區特征變量系數的后驗均值及5%顯著性水平下的置信區間,結果見表4。

表4 用戶社區特征變量系數后驗均值(N=421)

由表4可知,無論用戶處于沉默傾向、參與傾向還是積極傾向,累計知識貢獻數量對用戶當期的知識貢獻數量產生正向影響(系數值分別為0.012,0.019,0.029);旅游經驗對用戶的知識貢獻數量產生正向影響(系數值分別為0.021,0.026,0.027);首次回答問題時間對用戶的知識貢獻數量產生正向影響(系數值分別為0.037,0.057,0.274)。以上系數值表明,在同一知識貢獻傾向下,用戶累計知識貢獻數量、旅游經驗越多,首次回答問題時間越早,用戶知識貢獻數量越多。

4.4 激勵對用戶知識貢獻傾向的影響

為了衡量激勵對用戶知識貢獻傾向的影響,本研究計算激勵措施變量和控制變量系數的后驗均值及5%顯著性水平下的置信區間,結果見表5。

表5 激勵措施變量及控制變量系數的后驗均值(N=421)

由表5可知:①當用戶處于沉默傾向時,物質激勵和精神激勵對其繼續停留在沉默傾向均產生正向影響(系數值分別為0.073,0.094),聯合激勵對其繼續停留在沉默傾向產生負向影響(系數值為-0.172),物質激勵對其向參與傾向轉移具有促進作用(系數值為0.074),精神激勵和聯合激勵對其向參與傾向轉移均產生消極影響(系數值分別為-0.231,-0.198);②當用戶處于參與傾向時,物質激勵和聯合激勵對其向沉默傾向轉移均產生積極影響(系數值分別為0.002,0.013),精神激勵對其向沉默傾向轉移產生負向影響(系數值為-2.707),物質激勵和聯合激勵對其繼續維持在參與傾向均具有促進作用(系數值分別為0.001,0.013),精神激勵對其繼續維持在參與傾向具有抑制作用(系數值為-1.423);③當用戶處于積極傾向時,精神激勵和聯合激勵均促使其向沉默傾向轉移(系數值分別為0.098,0.007),物質激勵抑制其向參與傾向轉移(系數值為-0.005),精神激勵和聯合激勵對其向參與傾向轉移均產生正向影響(系數值分別為0.105,0.008)。

為進一步量化不同激勵措施對用戶知識貢獻傾向轉移的邊際效應,更直觀地展現激勵措施對用戶知識貢獻傾向轉移的影響,將表3中常數項均值、控制變量系數均值、控制變量均值代入式(1)和式(2),得到基準的知識貢獻傾向轉移概率值;再分別將物質激勵系數均值及其變量均值、精神激勵系數均值及其變量均值、聯合激勵系數均值及其變量均值依次代入式(1)和式(2),得到知識貢獻傾向轉移概率值作為對照,所得結果見表6。

表6 用戶知識貢獻傾向轉移概率值(N=421)

由表6可知:①當用戶處于沉默傾向時,聯合激勵使用戶轉移至積極傾向的概率值提高10%,使用戶停留在沉默傾向的概率值降低9%;而精神激勵對用戶知識貢獻傾向的轉移沒有影響;相反,物質激勵使用戶轉移至積極傾向的概率值降低4%,使用戶保持在沉默傾向的概率值提高3%。因此,當用戶處于沉默傾向時,聯合激勵對其向更高傾向轉移具有積極作用。②當用戶處于參與傾向時,精神激勵使用戶轉移至積極傾向的概率值提高1%,使用戶轉移至沉默傾向的概率值降低2%;相反,物質激勵(聯合激勵)使用戶轉移至積極傾向的概率值降低2%(1%),使用戶轉移至沉默傾向的概率值提高3%(1%)。因此,當用戶處于參與傾向時,精神激勵對其向更高傾向轉移產生積極影響。③當用戶處于積極傾向時,物質激勵使用戶維持在積極傾向的概率值提高8%,使用戶轉移至參與傾向的概率值降低9%,而精神激勵和聯合激勵對用戶知識貢獻傾向的轉移沒有影響。因此,當用戶處于積極傾向時,物質激勵有利于其繼續維持在積極傾向。上述結果表明,正是由于用戶知識貢獻傾向存在動態轉移變化,激勵措施唯有與用戶隱含知識貢獻傾向相匹配才能發揮最佳效果。

5 結語

本研究主要結論如下:①根據模型似然函數值、AIC和BIC值可以明確,用戶可觀測知識貢獻行為背后的隱含知識貢獻傾向具有積極傾向、參與傾向、沉默傾向3種類型;②在特定的知識貢獻傾向下,用戶首次回答問題時間、旅游經驗、累計知識貢獻數量對其知識貢獻行為產生正向影響;③激勵與用戶動態變化知識貢獻傾向匹配才能取得正向的激勵作用。當用戶處于沉默傾向時,實施聯合激勵更能有效促使其向積極傾向轉移;當用戶處于參與傾向時,實施精神激勵更能有效刺激其向積極傾向轉移;當用戶處于積極傾向時,實施物質激勵可以使其繼續維持在積極傾向。

本研究的理論貢獻:①本研究發現,激勵對知識貢獻傾向的影響是正向促進、負向抑制還是沒有作用,取決于用戶的知識貢獻傾向所處的狀態是沉默、參與,還是積極,調和了現有激勵對用戶知識貢獻傾向影響結論不一致的矛盾。②以往研究多采用問卷調查方法獲得用戶的知識貢獻傾向[15],難免會受到調研對象主觀偏好影響而產生誤差,同時問卷調查方法無法對用戶動態的隱含知識貢獻傾向進行實時量化。本研究采用隱馬爾科夫模型,不僅彌補了問卷調查方法存在的計量偏差,而且能夠對用戶實時變化的知識貢獻傾向進行量化。③現有研究雖然考慮了用戶社區特征對知識貢獻行為的影響,但缺乏對特定知識貢獻傾向下用戶社區特征對知識貢獻行為影響的探討。本研究探究同一知識貢獻傾向下用戶首次回答問題時間、旅游經驗、累計知識貢獻數量對其知識貢獻行為的影響,推進了用戶社區特征與用戶知識貢獻行為關系的研究。

本研究對管理實踐也有重要的啟示:①研究表明,用戶的隱含知識傾向分為積極傾向、參與傾向、沉默傾向,且不同傾向間能夠動態地轉移。這為虛擬社區運營者提供了一個觀察用戶貢獻行為的新視角——看似靜態的在線用戶,實則貢獻傾向在動態變化。虛擬社區運營者可以針對不同傾向用戶群體動態調整匹配的激勵措施,促使用戶向積極傾向轉移,產生知識貢獻行為。②不同用戶處于同一知識貢獻傾向時,累計貢獻數量越多、旅游經驗越豐富、首次回答問題時間越早,其知識貢獻的數量越多。因此,社區運營者應重視對這部分客戶的管理和保留。③由于用戶知識貢獻傾向的動態變化,激勵對知識貢獻傾向影響邊界不同,即呈現不同的效果甚至出現正負向影響的轉變。這意味著在激勵用戶貢獻知識時,切忌一味盲目地采取“一刀切”的激勵措施。

本研究還存在一定局限:①僅以國內典型旅游虛擬社區用戶為研究對象,未來研究可進一步選擇其他旅游虛擬社區用戶進行分析,研究結論會更具普適性;②本研究抓取421名社區用戶持續3個月的知識貢獻行為和激勵措施數據,未來研究可延長時段、選擇更多的用戶樣本,使研究結論更加穩健;③本研究以興趣型社區用戶為研究對象,后續研究可選取交易型社區、開源軟件社區[29]等其他類型社區用戶知識貢獻行為進行分析,進一步拓展和豐富研究結論。